Колись Віджай Панде був більш відомим в академічних колах, ніж серед інвесторів. Це змінилося, коли він збудував біопрактику a16z майже до $4 млрд. У червні минулого року він залишив велику платформу, щоб запустити меншу фірму VZVC із Заком Вернером. Нова модель робить кілька концентрованих ставок щороку, не має асоційованих і активно покладається на AI в щоденних операціях. Що це означає для біотеху, даних і засновників? І як це змінює гру у точній медицині та клінічних випробуваннях?
Чому Віджай Панде пішов з великої платформи до малої фірми?
Він зробив свідомий розворот. Панде залишив масштабну практику, щоб разом із Заком Вернером побудувати компактну фірму VZVC. Вона зосереджується на кількох щорічних ставках, працює без асоційованих і спирається на AI-«агентів» у процесах. Це інший темп, інша глибина участі та інший спосіб партнерства з фаундерами.
Йдеться не про десятки угод на рік, а приблизно про п’ять. Додавання компанії для них схоже не на «додати друга у Facebook», а на рішення «чи готові до ще однієї дитини». Така метафора задає рівень відповідальності. Команда хоче вкладатися глибоко та довго, а не розпорошувати увагу.
У цій моделі вони рідко «б’ються за гарячі раунди». Панде каже, що для них зазвичай «знаходять місце». Причина — те, що він і Вернер можуть зробити власноруч. Засновники хочуть інвесторів, які справді включаються і допомагають, а не лише додають логотип у каптейбл.
Назва фірми теж символічна. «VZ» — це Віджай і Зак. Команда навмисно лишається малою на інвесткоманді. Первинний план найняти асоційованих відклали: внутрішні AI-агенти взяли на себе чимало рутини. Це теж частина задуму — легка структура і висока швидкість.
«Ми навмисно дуже невеликі… На інвестиційній стороні — фактично лише ми вдвох».
Чи справді AI перетворює біологію з науки відкриттів на інженерію?
Так, і зміна вже відчутна. AI та машинне навчання накладають свій спосіб розуміння на надскладні системи. Вони допомагають обрати правильні мішені для конкретних хвороб, спроєктувати й створити молекули, а тепер — і підсилюють клінічні випробування, які є найдорожчою частиною процесу.
Водночас міф про «дешеві клінічні випробування» поки що лишається мрією. Використання синтетичних даних — радше амбіція, ніж реальність. Так, час і витрати на шлях до випробувань скорочуються, особливо з AI. Але власне тест може коштувати сотні мільйонів доларів. Це пояснює, чому препарати дорогі і чому капітал тут швидко амортизується.
Імовірність того, що препарат пройти від першої до третьої фази, становить лише 20%. Вісім із десяти зазвичай не доходять до фінішу. Часто причина не у помилках біологів, а у стартових даних: багато експериментів базуються на тваринних моделях, які слабко передбачають людську фізіологію. Як тільки AI-моделі перевищують цей «поріг тваринної моделі», стає по-справжньому цікаво.
Далі постає інше запитання: «Чи цей препарат — правильний саме для мене?». Тут починається точна медицина. Лікарі часто змушені здогадуватися і призначати по черзі кілька варіантів. Ми всі виграли б, якби перший вибір виявлявся вірним. AI сприяє саме такій відповідності.
«AI-модель не буде ідеальною, але вона буде значно кращою за будь-яку тваринну модель».
Що змінює перехід від геноміки до ширших біомодальностей?
Точна медицина виходить за межі геноміки. Геном — це креслення «дня нуль». Але «дім» змінюється, і сьогодні важливіші показники з протеоміки та інших шарів. Вони краще відображають поточний стан організму і розвиток хвороб. Це відкриває шлях до рішень, які відповідають саме вашому профілю, а не середнім значенням популяції.
Рутинні аналізи зазвичай порівнюють із нормами по населенню. Логічніше питати: «Чи це незвично конкретно для мене?». Саме так формується індивідуалізація діагностики і терапії. Збіг з вашим «здоровим базисом» важливіший за відповідність «усередненню». AI допомагає виявляти ці відхилення і зіставляти їх із потенційними мішенями.
До того ж, автоматизація та роботизовані вимірювання природно зростаються з AI. Обидві галузі йдуть пліч-о-пліч. За десятиліття відбулося стабільне зближення AI для біології та AI для хімії: перша відповідає на «як лікувати хворобу?», друга — на «який препарат спроєктувати проти конкретного білка?».
Прогрес за останні десять років — суттєвий. Це не одноразовий прорив, а сукупність технологій і методів. Саме їх поєднання дало змогу перейти від інтуїтивного пошуку до системного інжинірингу у відкритті та розробці ліків.
«Ми б усі виграли, якби перший препарат був правильним».
Як рухатися вперед, якщо дані з біології не можна «зіскрейпити» з інтернету?
Це головоломка для AI у біології. На відміну від текстів, біологічні дані не лежать відкрито в мережі. Майже кожна компанія змушена будувати власний закритий датасет. Ніхто не може просто натренувати «те саме» на загальному корпусі або легко переганяти знання з однієї моделі в іншу.
Це підсилює класичну медичну проблему «силосів». Онкологія та ендокринологія часто розглядають один і той самий випадок з різних боків і не синхронізуються. Тут AI потенційно може бути «спеціалістом у всьому». Він здатен поєднувати сигнали, які окрема людина просто не побачить, і дати ефект «консиліуму найкращих» у кожній точці траєкторії лікування.
Щоб це стало реальністю, зростає тренд будувати «атласи» біоінформації — технологічно це часто базові моделі. Коли вони стануть звичнішими, можливий ефект, схожий на відкриті LLM. Відкриті базові моделі в біології можуть забезпечити дуже широкий вплив, не залежний від корпоративних меж.
Це не скасовує конкуренцію за дані. Але задає іншу логіку гри: загальні «основи» плюс приватні «надбудови». Саме так поле може одночасно зберегти інноваційність і пришвидшити трансфер знань між командами та нішами всередині медицини.
«Це місце, де у вас немає даних, які всі можуть просто натренувати однаково».
На що ставить VZVC: засновники, напрями та уроки з ринку
Фокус — дві зони: AI для надання медичної допомоги і AI для клінічних випробувань. Панде працює з компаніями на кшталт Genesis Therapeutics, що вийшла з його лабораторії, та Insitro, заснованою Дафною Коллер. Він також інкубує компанію з фаундером, якого знає двадцять років. Це підкреслює підхід «мало, довірено, надовго».
Найважливіше у фаундерах — довіра та цілісність. Люди, які роблять, що кажуть. Відносини на 5–10 років і далі, бажано у кількох компаніях поспіль. І амбіція «вигравати разом», а не просто «перемагати інших». Усе це підлаштовано під концентровані ставки і глибоку співпрацю без розпорошення.
Конкуренція за угоди не виглядає як погоня за «гарячими» раундами. Часто для VZVC «роблять місце» саме через формат участі. Серед референсів підходу Панде називає Антоніо Грасіаса (Valor), Thrive і, звісно, a16z як частину власної «ДНК». Це орієнтири концентрації та тривалих партнерств.
Уроки теж конкретні. Колись ринок опирався поєднанню AI, ML і медицини. Зараз цей спротив майже зник. Але спокуса техно-романтизму лишається. Найкрутіша технологія не скасовує найскладнішого — виходу на ринок. Панде прямо просить технічних фаундерів спрямовувати ту саму креативність у go-to-market.
«Go-to-market принаймні настільки ж складний, як і технології. А часто — складніший».
Що зараз переоцінене в AI та біотехнологіях?
AI справді знаходить інсайти, недосяжні «людським способом». Проблема починається, коли звучить обіцянка «AI вилікує все». Скепсис тут не у можливостях моделей. Він у доступності даних. LLM працюють завдяки величезним корпусам для навчання. Коли даних бракує, AI не може «чарівно» вирішити задачу.
Звідси — приземлена оптика на інновації. Потрібен рух уперед у даних, вимірюваннях, експериментах і відкритих «атласах». Тоді моделі стануть кращими і для вибору мішеней, і для конструювання ліків, і для точного підбору терапій конкретним людям. Інженерія виводить процес із лотереї.
Це відповідає і стилю фірми. Небагато рішень, але кожне — з повним зануренням. Власні AI-агенти прискорюють операції. Внутрішня дисципліна утримує фокус. Так формується портфель, де кожна компанія — це справжнє партнерство, а не статистичний квиток у довгій черзі.
І якщо повернутися до стартового питання — чому маленька фірма? Бо вона відповідає реальності сьогоднішнього AI-біотеху. Дані рідкі. Експерименти дорогі. Концентрація дає шанс довести кожну ставку до впливу, а не просто «позначити присутність» у темі.
«Коли даних просто немає, AI не може магічно розв’язати проблему».
На основі матеріалу оригінального матеріалу.
